Question

我正在开发一个JavaEE应用程序，用于将文本文件上传到服务器，以处理其内容。用户的文本来源可能差异很大，尤其是编码。

我想将所有内容转换为UTF-8（持久性即将到来）但首先，我需要正确阅读。

我正在使用InputStreamReader的getEncoding（）方法：

public void doThings(HttpServletRequest request) {
    Part file = request.getPart("formfile");
    InputStreamReader isr = new InputStreamReader(file.getInputStream());

    // BUT THIS ALWAYS prints "UTF8" whatever the text file's encoding is :
    System.out.println( isr.getEncoding() );
}

我实际上使用的是InputStream，因为该应用程序稍后使用Scanner类和分隔符来切断数据，但如果还有其他方法可行，我不会以任何方式约束它......

感谢您的任何指示

Answer 1

您需要执行new InputStreamReader(file.getInputStream(), charsetOfFile);，否则默认为应用程序的平台，显然是UTF-8。

没有可靠的方法来提取编码/字符集。标题不是决定性的，part.getContentType()也是更多的猜测类型。也许如果出现的字符集可能是第一个指标。

用Windows-1252（Windows Latin-1）替换charset ISO-8859-1（Latin-1），因为所有浏览器都将ISO-8859-1解释为Windows-1252。

Windows-1252也是一个很好的默认设置（因为ISO-8859-1也是HTTP默认设置）。

如果文件内容符合多字节UTF-8格式，请执行此操作。 UTF-8验证。

Charset detection由一些库实现。我使用语言检测（按频率列表）进行了自己的检测，不完整。

对于字符集检测，将文件读取为二进制数据，字节，不带InputStreamReader。

上传文本文件的编码不正确

1 个答案: